論文の概要: Quality or Quantity? Error-Informed Selective Online Learning with Gaussian Processes in Multi-Agent Systems: Extended Version
- arxiv url: http://arxiv.org/abs/2601.14275v1
- Date: Sat, 10 Jan 2026 18:23:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-25 16:54:51.825536
- Title: Quality or Quantity? Error-Informed Selective Online Learning with Gaussian Processes in Multi-Agent Systems: Extended Version
- Title（参考訳）: 品質か量か? マルチエージェントシステムにおけるガウス過程を用いた誤り型選択オンライン学習:拡張版
- Authors: Zewen Yang, Xiaobing Dai, Jiajun Cheng, Yulong Huang, Peng Shi,
- Abstract要約: 本稿では,共同予測のためのエージェントに対する全てのモデルの不特定包含の非合理性を明らかにする。
分散ガウス過程(GP)回帰、すなわち分散エラーインフォームドGP(EIGP)の最初の選択的オンライン学習フレームワークを提案する。
アルゴリズムの強化は、予測を加速するためのgreedyアルゴリズム(gEIGP)と予測精度を改善するための適応アルゴリズム(aEIGP)を含むEIGP内に埋め込まれている。
- 参考スコア（独自算出の注目度）: 14.449611561070457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective cooperation is pivotal in distributed learning for multi-agent systems, where the interplay between the quantity and quality of the machine learning models is crucial. This paper reveals the irrationality of indiscriminate inclusion of all models on agents for joint prediction, highlighting the imperative to prioritize quality over quantity in cooperative learning. Specifically, we present the first selective online learning framework for distributed Gaussian process (GP) regression, namely distributed error-informed GP (EIGP), that enables each agent to assess its neighboring collaborators, using the proposed selection function to choose the higher quality GP models with less prediction errors. Moreover, algorithmic enhancements are embedded within the EIGP, including a greedy algorithm (gEIGP) for accelerating prediction and an adaptive algorithm (aEIGP) for improving prediction accuracy. In addition, approaches for fast prediction and model update are introduced in conjunction with the error-informed quantification term iteration and a data deletion strategy to achieve real-time learning operations. Numerical simulations are performed to demonstrate the effectiveness of the developed methodology, showcasing its superiority over the state-of-the-art distributed GP methods with different benchmarks.
- Abstract（参考訳）: 機械学習モデルの量と品質の間の相互作用が重要であるマルチエージェントシステムの分散学習において、効果的な協調が重要である。
本稿では, 協調学習において, 全モデルが協調予測エージェントに不合理に含まれていることを明らかにするとともに, 協調学習における品質よりも優先すべきことを明らかにする。
具体的には、分散ガウス過程(GP)回帰のための最初の選択的オンライン学習フレームワーク、すなわち分散エラーインフォームドGP(EIGP)を提案する。
さらに、予測を加速するgreedyアルゴリズム(gEIGP)と、予測精度を向上させるAdaptiveアルゴリズム(aEIGP)を含む、EIGP内にアルゴリズム拡張が組み込まれている。
さらに, 高速予測とモデル更新のためのアプローチを, 誤り情報量化項反復とデータ削除戦略と組み合わせて導入し, リアルタイムな学習操作を実現する。
提案手法の有効性を示す数値シミュレーションを行い, 異なるベンチマークによる分散GP法よりも優れていることを示す。
関連論文リスト
- Consistency-based Abductive Reasoning over Perceptual Errors of Multiple Pre-trained Models in Novel Environments [5.5855749614100825]
本稿では,複数の事前学習モデルを活用することで,このリコール低減を緩和できるという仮説を述べる。
我々は,一貫性に基づく推論問題として,様々なモデルからの矛盾する予測を特定し,管理することの課題を定式化する。
本研究は,複数の不完全なモデルから得られた知識を,難易度の高い新しいシナリオにおいて堅牢に統合するための効果的なメカニズムとして,一貫性に基づく誘拐の有効性を検証するものである。
論文 参考訳（メタデータ） (2025-05-25T23:17:47Z) - Learning optimal objective values for MILP [3.2170228238416123]
本稿では,最適目標値の予測手法を提案する。
そこで本稿では,グラフニューラルネットワーク(GNN)アーキテクチャに基づく予測器と,動的特徴のセットを紹介する。
各種ベンチマーク実験の結果,提案手法の有効性が示され,予測タスクの精度が向上し,既存手法よりも優れた結果が得られた。
論文 参考訳（メタデータ） (2024-11-27T13:22:31Z) - On Discriminative Probabilistic Modeling for Self-Supervised Representation Learning [85.75164588939185]
本研究では,(マルチモーダル)自己教師型表現学習のデータ予測タスクにおいて,連続領域における識別確率モデルについて検討する。
我々は、自己教師付き表現学習における現在のInfoNCEに基づくコントラスト損失の制限を明らかにするために一般化誤差解析を行う。
MISが要求する条件付き確率密度の和を近似する新しい非パラメトリック手法を提案する。
論文 参考訳（メタデータ） (2024-10-11T18:02:46Z) - Whom to Trust? Elective Learning for Distributed Gaussian Process
Regression [3.5208783730894972]
我々は、選択学習アルゴリズム、すなわち、事前認識された選択分散GP(Pri-GP)を開発する。
Pri-GPは、その信頼性に基づいて、近隣のエージェントから予測を選択的に要求する能力を持つエージェントに権限を与える。
プリGPフレームワーク内に予測誤差を確立し,予測の信頼性を確保する。
論文 参考訳（メタデータ） (2024-02-05T13:52:56Z) - Proof of Swarm Based Ensemble Learning for Federated Learning
Applications [3.2536767864585663]
連合学習では、プライバシー上の懸念から、集中型アンサンブル学習を直接適用することは不可能である。
ビザンティンフォールトトレランス(BFT)のようなほとんどの分散コンセンサスアルゴリズムは、通常そのようなアプリケーションではうまく機能しない。
フェデレートされた環境でのアンサンブル学習のための分散コンセンサスアルゴリズムPoSwを提案する。
論文 参考訳（メタデータ） (2022-12-28T13:53:34Z) - GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP,
and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。
本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。
低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文 参考訳（メタデータ） (2022-11-03T16:42:40Z) - Incremental Ensemble Gaussian Processes [53.3291389385672]
本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。
各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。
新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
論文 参考訳（メタデータ） (2021-10-13T15:11:25Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Decentralized Statistical Inference with Unrolled Graph Neural Networks [26.025935320024665]
分散最適化アルゴリズムをグラフニューラルネットワーク(GNN)にアンロールする学習ベースフレームワークを提案する。
エンドツーエンドトレーニングによるリカバリエラーを最小限にすることで、この学習ベースのフレームワークは、モデルのミスマッチ問題を解決する。
コンバージェンス解析により,学習したモデルパラメータがコンバージェンスを加速し,リカバリエラーを広範囲に低減できることが明らかとなった。
論文 参考訳（メタデータ） (2021-04-04T07:52:34Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。